提高蛋白质侧链预测精度的新算法 帮助药物研发

谷歌DeepMind团队开发的Alpha Fold 2，采用最新的人工智能算法，精确预测蛋白质结构，接近实验精度。复旦大学复杂系统多尺度研究所教授马与上海人工智能实验室合作，近期在国际知名期刊《生物信息学简报》上发表论文，表明其蛋白质侧链预测算法(OPUS-Rota4算法)的准确率显著超过谷歌的alpha折叠算法。

目前，随着折叠算法的开源，复旦的算法可以为任何蛋白质结构预测工作提供比折叠更精确的侧链模型，从而为蛋白质结构研究，尤其是基于蛋白质结构的新药设计提供助力。

蛋白质的三维结构由主链和侧链组成。人工智能系统预测蛋白质结构的通常步骤是先对蛋白质的主链进行建模，然后根据主链的构象对侧链进行建模。自然界中的蛋白质含有20种氨基酸，它们的主链几乎相同，但侧链却大不相同。由于药物分子与人蛋白的结合位点大多在氨基酸侧链上，人工智能系统对侧链的准确预测对新药研发具有重要价值。这种精准预测的能力也可以用来解释点突变和小片段突变的机制，为遗传性疾病的研究和治疗提供有价值的思路。

近年来，研究人员开发的侧链建模算法大多基于采样，如SCWRL4、OPUS-Rota3等。从侧链离散二面角转子库中采样，然后根据一系列能量函数进行优化，找到能量最低的二面角转子，就是最终的结果。基于采样的侧链建模算法具有速度快的优势，但由于采用离散转子且受能量函数精度的限制，其整体侧链预测精度仍有待提高。

OPUS-Rota4引入深度学习算法，大大提高了蛋白质侧链的建模精度。研究人员首先利用OPUS-RotaNN2结合各种提取特征得到侧链二面角的初始预测结果，然后利用OPUS-RotaCM得到侧链原子的接触图，最后利用其自研建模框架OPUS-Fold2根据接触图对侧链初始二面角的预测结果进行优化，输出最终结果。

该团队表示，将进一步研究蛋白质侧链建模，以不断提高准确性，并探索侧链建模在实际问题中的应用。